자본 시장 기업들이 리서치, 트레이딩, 리스크, 운영 및 컴플라이언스를 연결하여 AI를 파일럿 단계에서 거버넌스가 확보된 워크플로우로 전환하는 방법에 대한 Andrea DeSosa와의 Q&A
작성자: 김 해튼 , Andrea DeSosa
자본 시장 기업들은 증가하는 데이터 양, 실시간 인사이트에 대한 높은 기대치, 프로덕션 단계로 이동하는 AI 이니셔티브, 단축된 결제 주기 등 사방에서 가해지는 압박 속에서 거래 라이프사이클을 현대화하고 있습니다. 이제 AI 도입 여부를 두고 논쟁하는 사람은 아무도 없습니다. 진짜 문제는 리서치, 트레이딩, 리스크, 운영, 컴플라이언스 부서가 모두 거버넌스가 확보된 동일한 데이터를 기반으로 협업하고 있는지, 아니면 단지 그렇다고 스스로 믿고 있는지 여부입니다.
기업들이 실험 단계에서 프로덕션 단계로 전환함에 따라 한 가지 패턴이 나타나고 있습니다. 지속 가능한 경쟁 우위는 단일 모델 자체에서 나오지 않는다는 점입니다. 핵심은 주문, 체결, 포지션, 리서치, 리스크, 고객 및 운영 데이터와 같은 독점 데이터를 라이프사이클 전반에 걸쳐 더 쉽게 검색하고, 신뢰할 수 있으며, 거버넌스를 갖추도록 만드는 역량입니다.
필자는 Databricks의 자본 시장 GTM 글로벌 총괄인 Andrea DeSosa와 만나 거래 전(pre-trade), 체결, 거래 후(post-trade), 감시 워크플로우를 재편하고 있는 운영상의 압박에 대해 이야기를 나누고, 현대화의 우선순위를 정하는 실질적인 방법에 대한 인사이트를 얻었습니다. 이 대화는 명확성과 분량을 위해 편집되었으며, e-book인 Modernizing the Trade Lifecycle in Capital Markets에서 다룬 주제를 바탕으로 합니다.
Kim Hatton: 현재 트레이딩 및 리서치 리더들이 거래 라이프사이클을 다시 검토하게 만드는 요인은 무엇인가요?
Andrea DeSosa: 기업들은 더 많은 대체 데이터, 더 많은 AI 실험, 더 단축된 운영 일정을 관리해야 하며, 의사 결정이 어떻게 내려지고 통제되는지에 대한 더 철저한 감시를 받고 있습니다. 동시에 리서치, 트레이딩, 리스크, 운영, 감시 부서는 서로 분리된 시스템과 일관되지 않은 데이터 뷰에 의존하는 경우가 많습니다.
이러한 파편화는 의사 결정을 늦추고, 체결 분석을 복잡하게 만들며, 리스크 가시성을 제한합니다. 또한 규제 기관, 고객 또는 내부 통제 부서에서 요청할 때 과거에 발생한 상황을 재구성하기 어렵게 만듭니다.
Kim Hatton: 데이터 파편화는 거래 라이프사이클의 어느 단계에서 나타나나요?
Andrea DeSosa: 거래 전(pre-trade) 단계에서 팀들은 투자 가설을 테스트하거나 백테스트를 실행하기 전에 시장, 기본적 분석(fundamental), ESG 및 대체 데이터를 준비하고 조정하는 데 상당한 시간을 소비할 수 있습니다.
체결 단계에서 데스크는 거래소(venue), 전략, 고객별로 체결 품질, 유동성, 주문 흐름, 슬리피지에 대한 실시간 뷰가 필요합니다. 하지만 트레이더의 데스크톱에 표시되는 뷰는 리스크, 컴플라이언스 또는 운영 부서에서 사용하는 데이터와 일치하지 않을 수 있습니다.
거래 후(post-trade) 단계에서 많은 기업은 여전히 야간 리스크 프로세스, 스프레드시트 기반의 대조 작업, 더 긴 결제 주기에 맞춰 설계된 보고 방식에 의존하고 있습니다. 결제 일정이 단축되고 운영 회복 탄력성 및 투명성에 대한 기대치가 높아짐에 따라 이러한 관행은 유지하기가 점점 더 어려워지고 있습니다.
Kim Hatton: 거래 라이프사이클 현대화에서 AI는 어디에 적용되나요?
Andrea DeSosa: AI로부터 지속적인 가치를 창출하는 기업이 반드시 가장 많은 파일럿 프로그램을 실행하는 기업은 아닙니다. 이들은 주문 흐름, 내부 리서치, 포지션, 리스크 결과물, 고객 정보, 운영 데이터 등 독점적인 맥락 데이터를 라이프사이클 전반에 걸쳐 안전하게 연결하고 거버넌스를 적용할 수 있는 기업들입니다.
이러한 기반이 없다면 AI는 또 다른 단절된 워크플로우를 만들 뿐입니다. 반면 기반이 갖춰지면 기업은 적절한 액세스 제어와 추적성을 유지하면서 직원들이 예외 사항을 조사하고, 체결 품질을 분석하고, 리서치를 종합하거나, 잠재적인 감시 문제를 찾아낼 수 있도록 지원하는 도구를 구축할 수 있습니다.
전략적 질문은 "어떤 모델을 사용해야 할까?"에서 "데이터, 분석, 통제 기능을 프로덕션 워크플로우에 어떻게 연결할 것인가?"로 전환됩니다.
Kim Hatton: 트레이딩 아키텍처를 현대화해야 할 때임을 나타내는 신호에는 어떤 것들이 있나요?
Andrea DeSosa: 자주 언급되는 세 가지 신호가 있습니다.
이러한 압박은 하나의 실질적인 테스트로 귀결됩니다. 금리가 변동하고, 스프레드가 확대되고, 유동성이 악화되거나, 운영 사고가 발생했을 때 기업이 얼마나 신속하게 포지션을 파악하고, 익스포저를 이해하며, 영향을 받는 워크플로우를 식별하고, 관련된 데이터와 의사 결정에 대한 감사 가능한 기록을 생성할 수 있는가 하는 점입니다.
Kim Hatton: 기업들은 거래 라이프사이클 현대화를 어디서부터 시작해야 할까요?
Andrea DeSosa: 리더들이 이미 내려야 하는 의사 결정부터 시작하세요.
우선순위 질문이 명확해지면 필요한 데이터 도메인도 더 명확해집니다.
체결 품질 분석의 경우 주문, 체결, 거래소 데이터, 벤치마크와 함께 시장 및 기준 데이터(reference data)가 필요할 수 있습니다. 거래 후 회복 탄력성의 경우 거래, 배분, 확인, 결제 상태, 담보, 자금 조달 및 운영상의 예외 사항이 필요할 수 있습니다.
목표는 모든 시스템을 한 번에 현대화하는 것이 아닙니다. 소수의 고가치 워크플로우를 위해 거버넌스가 확보되고 재사용 가능한 데이터 기반을 구축하고, 측정 가능한 성과를 입증한 다음, 이를 바탕으로 확장해 나가는 것입니다.
Kim Hatton: 이러한 접근 방식에서 Databricks Data + AI Platform은 어떤 역할을 하나요?
Andrea DeSosa: 이 플랫폼은 실시간 및 과거 데이터, 분석, AI를 공통 기반 위에 통합함으로써 이러한 발전을 지원합니다.
Unity Catalog은 데이터 및 AI 자산 전반에 걸쳐 중앙 집중식 거버넌스, 액세스 제어, 검색 및 리니지를 제공합니다. Agent Bricks는 팀이 도메인별 에이전트를 구축, 배포 및 거버닝할 수 있도록 지원하며, AI/BI는 비즈니스 사용자가 대시보드, 시각화 및 자연어 경험을 통해 거버넌스가 확보된 데이터를 탐색할 수 있도록 합니다.
그 가치는 단 하나의 워크플로우에 국한되지 않습니다. 리서치, 트레이딩, 리스크, 운영 및 컴플라이언스 부서가 각 기능에 필요한 통제 장치와 맥락을 유지하면서 일관되고 거버넌스가 확보된 데이터를 기반으로 작업할 수 있는 역량입니다.
모델은 계속 진화할 것입니다. 하지만 비즈니스 질문, 독점 데이터, 신뢰할 수 있는 통제 장치에 대한 요구사항은 그대로 유지됩니다. 거래 라이프사이클 현대화를 고립된 AI 기능들의 집합이 아니라 거버넌스가 확보된 데이터 및 운영 모델 이니셔티브로 취급하는 기업은 의사 결정 속도, 운영 회복 탄력성을 개선하고 시간이 지남에 따라 새로운 유스케이스를 확장할 수 있는 더 유리한 위치를 점하게 됩니다.
실질적인 거래 전, 체결, 거래 후 및 감시 유스케이스와 라이프사이클 전반에 걸쳐 거버넌스가 확보된 데이터 및 AI 이니셔티브의 우선순위를 정하기 위한 프레임워크를 알아보려면 새로운 e-book인 Modernizing the Trade Lifecycle in Capital Markets를 다운로드하세요.
(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)
블로그를 구독하고 최신 게시물을 이메일로 받아보세요.